Kaip specialusis reliatyvumas gali padėti AI numatyti ateitį

Etjenas-Julesas Marey

Niekas nežino, kas bus įvykti ateityje , tačiau kai kurie spėjimai yra daug geresni nei kiti. Spardytas futbolas nepasikeis ore ir negrįš į atmuštojo koją. Pusiau suvalgytas sūrio mėsainis vėl netaps vientisas. Sulaužyta ranka neužgis per naktį.

Remdamiesi esminiu priežasties ir pasekmės aprašymu, esančiu Einšteino specialiosios reliatyvumo teorijoje, Londono imperatoriškojo koledžo mokslininkai sugalvojo. būdas padėti AI geriau spėti taip pat.

Pasaulis progresuoja žingsnis po žingsnio, kiekvieną akimirką iškylant iš ankstesnių. Galime gerai spėlioti, kas nutiks toliau, nes turime stiprią intuiciją apie priežastį ir pasekmę, patobulintą stebint, kaip pasaulis veikia nuo pat mūsų gimimo, ir apdorojant tuos stebėjimus smegenimis, kurias sukausto milijonus metų trukusios evoliucijos.

Tačiau kompiuteriai sunkiai sprendžia priežastinį ryšį. Mašininio mokymosi modeliai puikiai nustato koreliacijas, tačiau jiems sunku paaiškinti, kodėl vienas įvykis turėtų sekti kitą. Tai problema, nes be priežasties ir pasekmės jausmo prognozės gali būti labai klaidingos. Kodėl futbolas neturėtų apsisukti?

Tai kelia ypatingą susirūpinimą DI pagrįsta diagnostika . Ligos dažnai siejasi su daugybe simptomų. Pavyzdžiui, 2 tipo cukriniu diabetu sergantys žmonės dažnai turi antsvorio ir jiems trūksta oro. Tačiau dusulį sukelia ne diabetas, o paciento gydymas insulinu nepadės nuo šio simptomo.

AI bendruomenė supranta, kaip svarbu priežastinis samprotavimas gali būti skirtas mašininiam mokymuisi ir ieško būdų, kaip jį pritvirtinti.

Tyrėjai bandė įvairiais būdais padėti kompiuteriams numatyti, kas gali nutikti toliau. Esami metodai lavina mašininio mokymosi modelį kadras po kadro, kad būtų galima pastebėti veiksmų sekos modelius. Parodykite dirbtiniam intelektui kelis iš stoties išvažiuojančio traukinio kadrus ir, pavyzdžiui, paprašykite sugeneruoti kelis sekančius kadrus.

AI gali puikiai nuspėti keletą kadrų į ateitį, tačiau po penkių ar 10 kadrų tikslumas smarkiai sumažėja, sako Athanasios Vlontzos iš Londono imperatoriškojo koledžo. Kadangi dirbtinis intelektas naudoja ankstesnius kadrus, kad sugeneruotų kitą sekos kadrą, mažos anksti padarytos klaidos – tarkime, keli trikdžiai pikseliai – sekai progresuojant padaugėja į didesnes klaidas.

Vlontzos ir jo kolegos norėjo išbandyti kitokį požiūrį. Vietoj to, kad dirbtinis intelektas išmoktų nuspėti konkrečią būsimų kadrų seką, žiūrėdamas milijonus vaizdo klipų, jie leido sugeneruoti daugybę kadrų, kurie buvo maždaug panašūs į ankstesnius, ir tada pasirinkti tuos, kurie greičiausiai pasirodys. Kitas. AI gali spėlioti apie ateitį, nieko neišmokęs apie laiko progresą, sako Vlontzosas.

Norėdami tai padaryti, komanda sukūrė algoritmą, įkvėptą šviesos kūgių, matematinį priežasties ir pasekmės ribų erdvėlaikyje aprašymą, kuris pirmą kartą buvo pasiūlytas Einšteino specialiojo reliatyvumo teorijoje, o vėliau patobulino buvęs jo profesorius Hermannas Minkowskis. Fizikoje atsiranda šviesos kūgiai, nes šviesos greitis yra pastovus. Jie parodo besiplečiančias šviesos spindulio ribas ir visa kita, nes jis sklinda iš pradinio įvykio, pavyzdžiui, sprogimo.

Paimkite popieriaus lapą ir tašku pažymėkite jame įvykį. Dabar nubrėžkite apskritimą, kurio centre yra tas įvykis. Atstumas tarp taško ir apskritimo krašto yra atstumas, kurį šviesa nukeliavo per tam tikrą laikotarpį, tarkime, vieną sekundę. Kadangi niekas, net informacija, negali keliauti greičiau už šviesą, šio apskritimo kraštas yra griežta riba pirminio įvykio priežastinei įtakai. Iš esmės įvykis galėjo paveikti bet ką apskritimo viduje; nieko iš išorės negalėjo.

Po dviejų sekundžių šviesa nukeliavo dvigubai didesnį atstumą, o apskritimo dydis padvigubėjo: dabar yra daug daugiau galimų to originalaus įvykio ateities. Įsivaizduokite šiuos vis didesnius apskritimus, sekundė po sekundės kylančius iš popieriaus lapo, ir jūs turite apverstą kūgį su originaliu įvykiu jo gale. Tai lengvas kūgis. Veidrodinis kūgio vaizdas taip pat gali tęstis atgal, už popieriaus lapo; jame bus visos įmanomos praeities, kurios galėjo lemti pirminį įvykį.

Vlontzosas ir jo kolegos naudojo šią koncepciją, kad apribotų ateities rėmus, kuriuos galėtų pasirinkti AI. Jie išbandė idėją dviem duomenų rinkiniais: Judantis MNIST , kurį sudaro trumpi vaizdo klipai, kuriuose ekrane juda ranka rašyti skaitmenys, ir KTH žmogaus veiksmų serialas , kuriame yra vaikščiojančių ar mojuojančių rankomis žmonių klipai. Abiem atvejais jie išmokė dirbtinį intelektą generuoti kadrus, kurie atrodė panašūs į esančius duomenų rinkinyje. Tačiau svarbu, kad mokymo duomenų rinkinio kadrai nebuvo rodomi iš eilės, o algoritmas nesimoko užbaigti serijos.

Tada jie paprašė AI pasirinkti, kuris iš naujų kadrų labiau sektų kitą. Norėdami tai padaryti, AI sugrupavo generuotus kadrus pagal panašumą ir panaudojo šviesos kūgio algoritmą, kad nubrėžtų ribą aplink tuos, kurie gali būti priežastiniu ryšiu susiję su konkrečiu kadru. Nepaisant to, kad dirbtinis intelektas nebuvo išmokytas tęsti sekos, jis vis tiek galėjo gerai spėlioti, kurie kadrai ateis toliau. Jei AI duosite kadrą, kuriame vaikšto trumpaplaukis, vilkintis marškiniais, AI atmes kadrus, kuriuose vaizduojamas asmuo ilgais plaukais arba be marškinių, sako Vlontzosas. Darbas yra paskutiniame peržiūros etape NeurIPS, pagrindinėje mašininio mokymosi konferencijoje

Šio metodo pranašumas yra tas, kad jis turėtų veikti su įvairių tipų mašininiu mokymusi, jei modelis gali generuoti naujus kadrus, panašius į esančius mokymo rinkinyje. Jis taip pat galėtų būti naudojamas siekiant pagerinti esamų AI, apmokytų vaizdo įrašų sekomis, tikslumą.

Siekdama išbandyti metodą, komanda leido kūgiams išsiplėsti fiksuotu greičiu. Tačiau praktiškai šis rodiklis skirsis. Kamuolys futbolo aikštėje turės daugiau galimų ateities pozicijų nei, pavyzdžiui, kamuolys skriejantis bėgiais. Tai reiškia, kad futbolui jums reikės kūgio, kuris plėtėsi greičiau.

Norint nustatyti šiuos greičius, reikia gilintis į termodinamiką, o tai nėra praktiška. Kol kas komanda planuoja kūgių skersmenį nustatyti rankomis. Tačiau, tarkime, žiūrėdamas futbolo rungtynių vaizdo įrašą, AI galėjo sužinoti, kiek ir kaip greitai juda objektai, o tai leistų nustatyti paties kūgio skersmenį. Dirbtinis intelektas taip pat galėtų mokytis skrendant, stebėdamas, kaip greitai pasikeitė tikroji sistema, ir pritaikydamas kūgio dydį, kad jis atitiktų jį.

Daugeliui programų svarbu numatyti ateitį. Autonominės transporto priemonės turi sugebėti nuspėti, ar vaikas ruošiasi išbėgti į kelią, ar linguojantis dviratininkas nekelia pavojų. Robotai, kuriems reikia sąveikauti su fiziniais objektais, turi sugebėti nuspėti, kaip tie objektai elgsis judėdami. Apskritai nuspėjimo sistemos bus tikslesnės, jei jos gali samprotauti dėl priežasties ir pasekmės, o ne tik apie koreliaciją.

Tačiau Vlontzosas ir jo kolegos ypač domisi medicina. AI gali būti naudojamas modeliuoti, kaip pacientas gali reaguoti į tam tikrą gydymą, pavyzdžiui, žingsnis po žingsnio nurodant, kaip tas gydymas gali vykti. Sukūrę visus šiuos galimus rezultatus, galite pamatyti, kaip vaistas paveiks ligą, sako Vlontzosas. Šis metodas taip pat gali būti naudojamas su medicininiais vaizdais. Atlikus smegenų MRT nuskaitymą, AI galėtų nustatyti tikėtinus ligos progresavimo būdus.

Labai šaunu matyti, kad tam pasiskolintos idėjos iš fundamentinės fizikos, sako Ciaranas Lee, „Spotify“ ir Londono universiteto koledžo tyrėjas, dirbantis su priežastinėmis išvadomis. Priežastingumo suvokimas yra tikrai svarbus, jei norite imtis veiksmų ar priimti sprendimų realiame pasaulyje, sako jis. Svarbu suprasti, kaip viskas vyksta taip, kaip yra: jei kada nors norite užduoti klausimą „Kodėl?“, tuomet turite suprasti priežastį ir pasekmes.

paslėpti